कृत्रिम बुद्धिमत्ता वैज्ञानिक प्रगति के तर्क का पालन नहीं करती है
हमने एमटी में उन शोधकर्ताओं और पेशेवरों के बारे में कई बार लिखा है जो मशीन लर्निंग सिस्टम को "ब्लैक बॉक्स" (1) घोषित करते हैं, यहां तक कि उन्हें बनाने वालों के लिए भी। इससे परिणामों का मूल्यांकन करना और उभरते एल्गोरिदम का पुन: उपयोग करना कठिन हो जाता है।
तंत्रिका नेटवर्क - वह तकनीक जो हमें बुद्धिमान रूपांतरित करने वाले बॉट और सरल पाठ जनरेटर प्रदान करती है जो कविता भी बना सकते हैं - बाहरी पर्यवेक्षकों के लिए एक समझ से बाहर रहस्य बनी हुई है।
वे बड़े और अधिक जटिल होते जा रहे हैं, विशाल डेटासेट को संभाल रहे हैं, और बड़े पैमाने पर कंप्यूट सरणियों का उपयोग कर रहे हैं। इससे बड़े बजट वाले बड़े केंद्रों को छोड़कर, अन्य शोधकर्ताओं के लिए प्राप्त मॉडलों की प्रतिकृति और विश्लेषण महंगा और कभी-कभी असंभव हो जाता है।
कई वैज्ञानिक इस समस्या से भलीभांति परिचित हैं। उनमें से जोएल पिनो (2), NeurIPS के अध्यक्ष, प्रतिलिपि प्रस्तुत करने योग्यता पर प्रमुख सम्मेलन। उनके नेतृत्व में विशेषज्ञ एक "पुनरुत्पादन जांच सूची" बनाना चाहते हैं।
पिनो के अनुसार, विचार, शोधकर्ताओं को दूसरों को एक रोडमैप पेश करने के लिए प्रोत्साहित करना है ताकि वे पहले से किए गए काम को फिर से बना सकें और उसका उपयोग कर सकें। आप एक नए टेक्स्ट जनरेटर की वाक्पटुता या एक वीडियो गेम रोबोट की अलौकिक चपलता पर आश्चर्यचकित हो सकते हैं, लेकिन यहां तक कि सबसे अच्छे विशेषज्ञों को भी पता नहीं है कि ये चमत्कार कैसे काम करते हैं। इसलिए, एआई मॉडल का पुनरुत्पादन न केवल अनुसंधान के लिए नए लक्ष्यों और दिशाओं की पहचान करने के लिए महत्वपूर्ण है, बल्कि उपयोग के लिए एक विशुद्ध व्यावहारिक मार्गदर्शिका के रूप में भी महत्वपूर्ण है।
अन्य लोग इस समस्या को हल करने का प्रयास कर रहे हैं। Google शोधकर्ताओं ने विस्तार से वर्णन करने के लिए "मॉडल कार्ड" की पेशकश की कि सिस्टम का परीक्षण कैसे किया गया, जिसमें संभावित बग की ओर इशारा करने वाले परिणाम भी शामिल हैं। एलन इंस्टीट्यूट फॉर आर्टिफिशियल इंटेलिजेंस (एआई2) के शोधकर्ताओं ने एक पेपर प्रकाशित किया है जिसका उद्देश्य प्रायोगिक प्रक्रिया में अन्य चरणों में पिनोट पुनरुत्पादन चेकलिस्ट का विस्तार करना है। "अपना काम दिखाओ," वे आग्रह करते हैं।
कभी-कभी बुनियादी जानकारी गायब होती है क्योंकि अनुसंधान परियोजना का स्वामित्व होता है, विशेष रूप से कंपनी के लिए काम करने वाली प्रयोगशालाओं के पास। हालाँकि, अक्सर यह बदलती और बढ़ती जटिल अनुसंधान विधियों का वर्णन करने में असमर्थता का संकेत है। तंत्रिका नेटवर्क एक बहुत ही जटिल क्षेत्र है। सर्वोत्तम परिणाम प्राप्त करने के लिए, अक्सर हजारों "घुंडियों और बटनों" की फाइन ट्यूनिंग की आवश्यकता होती है, जिसे कुछ लोग "काला जादू" कहते हैं। इष्टतम मॉडल का चुनाव अक्सर बड़ी संख्या में प्रयोगों से जुड़ा होता है। जादू बहुत महँगा हो जाता है.
उदाहरण के लिए, जब फेसबुक ने डीपमाइंड अल्फाबेट द्वारा विकसित सिस्टम अल्फागो के काम को दोहराने की कोशिश की, तो यह कार्य बेहद कठिन साबित हुआ। फेसबुक कर्मचारियों के अनुसार, विशाल कम्प्यूटेशनल आवश्यकताएं, कई दिनों में हजारों उपकरणों पर लाखों प्रयोग, कोड की कमी के साथ मिलकर, सिस्टम को "फिर से बनाना, परीक्षण करना, सुधार करना और विस्तार करना असंभव नहीं तो बहुत कठिन" बना दिया।
समस्या विशिष्ट प्रतीत होती है. हालाँकि, अगर हम आगे सोचें, तो एक अनुसंधान दल और दूसरे के बीच परिणामों और कार्यों की पुनरुत्पादन क्षमता के साथ समस्याओं की घटना हमें ज्ञात विज्ञान और अनुसंधान प्रक्रियाओं के कामकाज के सभी तर्कों को कमजोर कर देती है। एक नियम के रूप में, पिछले शोध के परिणामों को आगे के शोध के आधार के रूप में उपयोग किया जा सकता है जो ज्ञान, प्रौद्योगिकी और सामान्य प्रगति के विकास को प्रोत्साहित करता है।
